地下公用事业和空洞的智能识别:用于深度学习应用的地面穿透雷达数据集
Abdelaziz Mojahid1, Driss El Ouai1, Khalid El Amraoui2
1Institut Scientifique, Université Mohammed V de Rabat, Morocco.
Data in brief
|February 24, 2025
概括
这项研究引入了2,239张地面透雷达 (GPR) 图像的新数据集,用于训练深度学习模型来检测地下公用事业和空洞. 本资源旨在改进自动化地下异常检测,减少手动错误和成本.
科学领域:
- 地质物理学 地质物理学
- 计算机科学 计算机科学
- 土木工程 土木工程是指土木工程.
背景情况:
- 地底透雷达 (GPR) 是一种用于检测地下异常的关键非侵入性地质物理方法.
- 对于训练深度学习模型的公开可用的GPR数据集存在重大差距.
- 目前的GPR数据处理耗时且昂贵,阻碍了广泛的自动化分析.
研究的目的:
- 通过创建一个全面的数据集来解决对深度学习的GPR数据缺乏的问题.
- 促进用于地下公用事业和空隙检测的自动化系统的开发.
- 通过机器学习提高地质物理调查的准确性和效率.
主要方法:
- 获取了2,239张来自城市环境的GPR B扫描 (雷达图) 图像.
- 收集专门针对地下公用事业 (管道,电缆) 和空洞的数据.
- 将图像格式化为JPEG,以便与深度学习框架兼容.
主要成果:
- 一个新的,标记数据集的2,239个GPR雷达图像现在是可用的.
- 该数据集涵盖了城市环境中遇到的各种地下公用事业和空洞.
- 本资源旨在培训用于自动异常检测的深度学习模型.
结论:
- 创建的数据集大大有助于使GPR数据可用于研究.
- 它使得开发更准确,更有效的自动化地下异常检测系统成为可能.
- 这一举措旨在减少对手动GPR数据解释的依赖,节省时间和资源.
